基于大数据理论的舰船图像分类

当前舰船图像以海量的形式存在,传统分类算法的工作时间长、舰船图像分类的实时性差,为了快速、高精度的实现舰船图像分类,设计了基于大数据理论的舰船图像分类算法。首先对舰船图像分类的研究现状进行分析,采集舰船图像,建立舰船图像分类的特征库,然后对待分类舰船图像,采用大数据理论和机器学习算法进行特征匹配,将舰船图像分类相应的类别中,最后进行舰船图像分类的模拟测试。结果表明,本文算法可以短时间内实现舰船图像分类,舰船图像分类的误差远远小于实际应用的控制范围,而且舰船图像分类的整体效果要优于传统的舰船图像分类算法。     

改进SIFT算法的舰船图像拼接算法

舰船图像在拍摄过程中,由于各种因素的干扰,得到舰船图像不完整,难以描述舰船图像所要表达目标的信息,而当前舰船图像拼接算法存在拼接准确率低、拼接过程复杂等不足,为了获得理想的舰船图像拼接结果,提出基于改进SIFT算法的舰船图像拼接算法。首先提取待拼接舰船的图像,并对它们进行归一化、颜色增强、噪声滤波等操作,然后采用改进SIFT算法提取舰船图像拼接特征点,根据特征点进行两幅舰船图像的拼接操作,最后采用多种舰船图像进行了拼接测试实验,以验证改进SIFT算法的优越性。结果表明,改进SIFT算法避免了当前舰船图像拼接算法存在的局限性,不仅能够以高准确率实现舰船图像拼接,而且舰船图像拼接过程更加简单,加快了舰船图像拼接速度,取得了满意的舰船图像拼接结果。     

云计算在舰船远程实时监控系统中的应用

随着现代信息技术发展,舰船监控系统也朝着智能化及信息化发展,同时随着监控数据的急速增长,如何实时从海量监控数据中挖掘出有效信息是现代船舶远程实时监控系统的瓶颈所在。云计算平台利用分布式架构﹑云存储及并行计算技术,在大数据信息处理效率方面具有很大的优势。本文将现有的开源云平台Hadoop引入船舶远程实时监控系统,在研究基于云平台的监控系统架构基础上,改进监控系统中的并行数据查询算法,最后给出仿真结果。     

云环境舰船目标检测与跟踪

目标检测与跟踪是舰船应用中的一个重要研究方向,针对当前舰船目标检测与跟踪存在的一些难题,为提高舰船目标检测与跟踪效果,设计了一种云环境下的舰船目标检测与跟踪方法。首先收集舰船目标检测与跟踪的数据,并对舰船目标的背景进行建模,然后采用卡尔曼滤波算法实现舰船目标检测与跟踪,并利用云环境作为舰船目标检测与跟踪的平台,最后在Matlab 2016平台上进行仿真实验,测试舰船目标检测与跟踪的效果,本文方法的舰船目标跟踪精度高,具有良好的舰船目标跟踪实时性。     

云平台和神经网络的舰船目标检测

为了解决当前舰船目标检测过程中存在的检测误差、检测实时性差的缺点,设计了一种云平台和神经网络的舰船目标检测方法。首先采用混合高斯模型对舰船目标所在区域进行获取,然后采用粒子滤波算法对舰船目标进行跟踪和检测,并采用神经网络对舰船目标粒子滤波算法的权值进行优化和更新操作,解决粒子滤波算法的缺陷,最后基于云平台对舰船目标检测方法进行了设计,并进行了舰船目标检测仿真模拟实验。结果表明,本文方法可以对各种环境中的舰船目标进行准确的检测,提高了舰船目标检测的鲁棒性,而且舰船目标检测实时性也得到了明显的改善,克服了当前舰船目标检测方法存在的缺陷,是一种有效的舰船目标检测方法。     

特定区域的舰船图像检索研究

图像检索是舰船图像分析领域的热点,当前舰船图像检索算法没有考虑用户对不同区域感兴趣的差异性,使得舰船图像检索效果很差,为了获得更优的舰船图像检索结果,本文设计一种基于感兴趣区域的舰船图像检索算法。首先分析当前舰船图像检索的研究进展,描述了感兴趣区域的舰船图像检索流程,然后采集舰船图像,对它进行一定变换处理,并从舰船图像中提取兴趣点,最后引入机器学习算法根据兴趣点实现舰船图像检索,采用多幅舰船图像进行了检索仿真测试。结果表明,与传统舰船图像检索算法相比,本文算法不仅获得民更高精度的舰船图像检索结果,而且明显缩短了舰船图像检索的平均时间,可以帮助用户快速检索到自己真正需要的舰船图像检索,实际应用价值更高。     

雾天环境下的舰船图像增强算法研究

为了提高雾天环境下的舰船图像质量,提出一种形态滤波算法和小波变换的雾天环境下舰船图像增强算法。首先采集雾天环境下的舰船图像,并对图像进行形态滤波操作,去掉舰船图像中的噪声,将舰船图像的重要信息保留下来,然后采用小波变换对2幅舰船图像分别进行分解,并对它们进行融合和增强,消除雾天环境对舰船图像的干扰,得到更加清晰的舰船图像,最后与其他算法进行舰船图像增强仿真实验,仿真实验表明本文算法的舰船图像信噪比要高于对比算法,可以对雾天环境中的不利因素进行有效的抑制,得到的舰船图像的视觉效果十分理想,解决了当前雾天环境下舰船图像增强中的难题。     

基于安卓平台的舰船图像拼接研究

拼接方法是改善舰船图像质量的一种重要技术,拼接好坏直接影响舰船图像的实际应用价值,针对当前舰船图像拼接过程中存在的速度慢、精度低等缺陷,设计了基于安卓平台的舰船图像拼接方法。首先对舰船图像拼接相关方法进行分析,分析它们的局限性,然后采集舰船图像,采用小波变换对图像进行处理,得到不同尺度的子带系数,对于不同子带系数采用不同的配准,实现舰船图像拼接,最后设计了舰船图像的安卓平台,并对其有效性进行了仿真测试。结果表明,本文方法可以对舰船图像进行完整的拼接,拼接后的舰船图像可以更好描述所要表达的信息,提高了舰船图像拼接质量,舰船图像拼接效率比较高,其舰船图像拼接效果明显优于对比方法,为舰船图像拼接问题解决提供了一种新的思路。     

基于图像增强技术的舰船图像拼接

当前舰船图像拼接技术存在拼接准确率低、拼接速度慢等问题,为了提高舰船图像拼接精度,设计了基于图像增强技术的舰船图像拼接方法。首先对当前舰船图像拼接方法进行分析,得到舰船图像拼接准确率低的原因,然后采用图像增强技术对原始舰船图像进行预处理,提高舰船图像的清晰度,并计算舰船图像的分块邻域梯度向量,得到舰船图像的初始拼接结果,最后去除舰船图像初始拼接结果中的拼接错误,并引入聚类分析算法对舰船图像拼接结果进行优化。舰船图像拼接仿真测试结果表明,本文方法可以消除图像相似性对拼接结果的不利影响,可以进行高精度的舰船图像拼接,并且减少了舰船图像拼接时间,舰船图像拼接速度要快于当前其他舰船图像拼接方法,获得了令人满意的舰船图像拼接结果。     

云环境下舰船周期性任务容错调度算法

任务容错调度算法是保证舰船周期性任务完成的基础,针对舰船周期性任务容错调度算法存在效率低等问题,设计了一种云环境下舰船周期性任务容错调度算法。首先对舰船周期性任务容错调度算法的研究现状和云环境的工作模式进行分析,然后建立舰船周期性任务容错调度的数学模型,并采用组合的群智能优化算法对舰船周期性任务容错调度数学模型进行求解,找到舰船周期性任务容错调度方案。仿真测试结果表明,本文算法不但加快了舰船周期性任务容错调度方案的搜索速度,而且得到的舰船周期性任务容错调度方案要优于对比算法。     

舰船维修数据云总线协议深度挖掘算法

现有的舰船维修数据深度挖掘算法,存在着数据挖掘深度浅的缺陷。为了解决上述问题,提出舰船维修数据云总线协议深度挖掘算法研究。依据算法需求编写云总线协议,采集并获取舰船维修数据,以此为基础,利用等深度分段方法离散化处理维修数据,依据离散化处理完成的维修数据,通过粗糙集约简算法得到最优舰船维修数据集,实现了舰船维修数据云总线协议的深度挖掘。通过仿真对比实验结果表明,与现有的舰船维修数据深度挖掘算法相比较,提出的舰船维修数据云总线协议深度挖掘算法极大的加深了数据挖掘的深度,充分说明提出的舰船维修数据云总线协议深度挖掘算法具备更好的数据挖掘效果。     

基于先验知识模型的舰船图像自动分割方法

当前舰船图像分割算法的错误率水平过高,易引起分割精度与分割速度的不断下降,为解决此问题,提出基于先验知识模型的舰船图像自动分割方法。通过统计舰船图像复原概率的方式,确定必要的复原质量评价指标,实现基于先验知识模型的舰船图像复原处理。在此基础上,分析先验知识模型的分割原理,借助待选取的图像特征信息,定义模糊分割集概念,实现先验知识模型舰船图像自动分割方法的顺利应用。对比实验结果表明,与神经网络型分割技术相比,先验知识模型支持下舰船图像自动分割方法的错误率水平得到有效控制,能够较好解决分割精度低、分割速度慢的原始遗留问题。     

云计算平台的海量舰船目标图像识别

针对传统海量舰船目标识别方法存在检测用时长、监测精度低等问题,因此,本文以云计算平台为研究基础,对该平台提取的海量异常舰船目标图像特征,进行识别方法的研究。首先,利用C-V水平集模型对舰船目标进行分割,根据轮廓曲线方程求解能量最小值后,使区域内的轮廓曲线逼近于图像目标边界,实现舰船目标的有效识别,最后实验证明,本文研究的智能监测方法用时短、监测精度高,且能够对舰船目标进行准确跟踪,具有很好的实用性。     

深度卷积网络的舰船图像自动分割研究

当前舰船图像自动分割方法存在"过分割"或者"欠分割"现象,使得舰船图像自动分割误差大。为了提高舰船图像自动分割精度,提出了基于深度卷积网络的舰船图像自动分割方法。对当前舰船图像自动分割的研究现状进行分析,找到引起舰船图像分割误差的原因。采用活动轮廓模型对舰船图像进行粗分割,并找到其中的舰船图像错误分割区域。最后,采用深度卷积网络对舰船图像的错误分割结果进行校正,实现舰船图像进行精细分割,并与活动轮廓模型的舰船图像自动分割方法进行了对比实验。结果表明,相对于活动轮廓模型,深度卷积网络的舰船图像分割精度更高,降低了舰船图像的误分割率,验证了本文舰船图像自动分割方法的优越性。     

基于互信息技术的舰船图像拼接研究

舰船图像拼接是舰船图像处理领域的关键技术,为了降低舰船图像拼接误差,使拼接后的舰船图像更加完整,提出了基于互信息技术的舰船图像拼接方法。首先对当前舰船图像拼接研究现状进行分析,找到各种舰船图像拼接方法的缺陷,然后采集舰船图像,提取舰船图像拼接特征,最后基于互信息技术描述2幅舰船图像的相关性,进行舰船图像配准和拼接,并进行了舰船图像拼接仿真实验。结果表明,本文方法可以得到比较完整的舰船图像拼接结果,降低了舰船图像拼接误差,舰船图像拼接速度要快于对比方法 2倍以上,提高了舰船图像拼接效率,验证了本文方法的优越性。     

基于遥感图像的舰船目标检测及特征提取技术

首先运用OSTU算法对舰船目标图像的陆域和海域空间分离,进而提出一种基于云干扰背景的高斯分布混合统计模型进行虚假目标的过滤。在实现舰船目标(ROI)检测的基础上,又根据舰船图像的特征提取形态特征和尾迹特征等,精确实现对舰船目标鉴别。数据表明,通过以上步骤的技术处理,能够很好地实现对遥感图像的舰船目标进行虚假过滤和快速的舰船特征提取。     

基于神经网络和多特征的船舶图像自动分割算法

当前图像分割算法存在分割错误率高、分割速度无法满足实际应用要求的缺陷,为了提高图像分割的精度和速度,设计了基于神经网络和多特征的图像自动分割算法。首先分析当前国内外图像分割算法的研究进展,找到引起当前图像分割局限性的因素,然后从图像中提取描述不同目标特征,并选择部分最有效特征组合成为图像分割的特征集合,最后采用神经网络对图像的不同区域进行建模和分类,实现图像分割,并与其他图像分割算法进行优越性对比测试。结果表明,神经网络和多特征的图像分割错误率低,图像分割精度超过95%,图像分割平均值时间要少于对比图像分割算法,图像分割速度更快。     

云平台的舰船实时动态任务调度研究

传统舰船任务调度算法存在任务指令数据实时性差,任务调度处理与任务下达之间存在时间差,造成任务调度结果与任务更新的不对称。为了解决此问题,提出云平台的舰船实时动态任务调度研究。通过神经网络算法,融合云平台计算技术,对任务调度进行瞬态高速计算,缩短调度任务处理时间;引入实时任务调度算法,对瞬态任务计算进行实时动态任务流数据辅助计算,以此保证调度任务处理与任务下达数据的对称性,最大限度减小任务调度时间差。与传统调度方法对比数据表明,提出的云平台的舰船实施动态任务调度算法,能够有效缩短时间差至0.086 s。     

基于激光技术的舰船类型分类研究

为了解决当前舰船类型分类精度低、效率差等缺陷,以改善舰船类型分类效果为目标,提出了基于激光技术的舰船类型分类模型。首先对当前舰船类型分类现状进行研究,找到引起舰船类型分类不理想的原因,然后通过激光技术采集舰船图像,提取一些关键特征,并采用主成分分析降低特征维数,然后采用K最近邻算法建立舰船类型分类模型,最后采用实现舰船类型分类仿真对比实验。相对于其他舰船类型分类模型,本文模型的舰船类型分类精度更高,同时减少了舰船类型分类时间,舰船类型分类整体效果更佳。     

双目视觉下红外遥感舰船图像三维重构设计研究

为提升舰船三维重构结果的细节丰富度,在双目视觉支持下提出红外遥感舰船图像三维重构设计方法。通过像素坐标系与世界坐标系的转换,融合可见光图像与红外遥感图像的点云信息。从可见光图像与红外遥感图像融合结果中提取舰船目标的质心、质心区域灰度以及舰船区域面积的特征点。利用半全局匹配算法,匹配提取特征点。依据匹配结果采用三角化曲面算法实现舰船图像三维重构。实验结果表明,该方法重构获取的舰船图像,细节丰富,未出现空洞或细节丢失情况。